[논문 리뷰] Skin disease diagnosis with deep learning: a review

Hongfeng Li, Yini Pan외 2명|arXiv (Cornell University)|2020. 11. 11.

Cutaneous Melanoma Detection and Management참고 문헌 228인용 수 4

한 줄 요약

이 논문은 피부질환 진단 분야에서의 딥러닝 응용을 검토하며, 피부경화 영상의 분류 및 세분화를 위한 합성곱 신경망(CNN)에 중점을 두고 있다. 연구 결과, 딥러닝 모델은 상위 1위 정확도 60.0%와 상위 3위 정확도 80.3%를 기록하여 일부 기준에서 인간 전문의를 능가했으며, 데이터 부족, 해석 가능성, 일반화 능력 향상 등의 과제를 제기하고 있다.

ABSTRACT

Skin cancer is one of the most threatening diseases worldwide. However, diagnosing skin cancer correctly is challenging. Recently, deep learning algorithms have emerged to achieve excellent performance on various tasks. Particularly, they have been applied to the skin disease diagnosis tasks. In this paper, we present a review on deep learning methods and their applications in skin disease diagnosis. We first present a brief introduction to skin diseases and image acquisition methods in dermatology, and list several publicly available skin datasets for training and testing algorithms. Then, we introduce the conception of deep learning and review popular deep learning architectures. Thereafter, popular deep learning frameworks facilitating the implementation of deep learning algorithms and performance evaluation metrics are presented. As an important part of this article, we then review the literature involving deep learning methods for skin disease diagnosis from several aspects according to the specific tasks. Additionally, we discuss the challenges faced in the area and suggest possible future research directions. The major purpose of this article is to provide a conceptual and systematically review of the recent works on skin disease diagnosis with deep learning. Given the popularity of deep learning, there remains great challenges in the area, as well as opportunities that we can explore in the future.

연구 동기 및 목표

• 메라노마 및 비메라노마 유형에 중점을 두어 피부질환 진단에 응용된 딥러닝 방법에 대한 체계적 리뷰를 제공하는 것.
• 피부영상 분석 분야에서 사용된 주요 데이터셋, 딥러닝 아키텍처, 평가 지표를 식별하는 것.
• 라벨이 부여된 데이터에 대한 의존성, 모델의 해석 가능성 부족, 다양한 피부 유형 간 일반화 능력 부족 등의 현재 한계를 분석하는 것.
• 임상적 적용을 위한 향후 연구 방향 제안, 예를 들어 준지도 학습, 강화 학습, 해석 가능한 AI

제안 방법

• 2011년에서 2020년 사이에 발표된 피부과 분야에서의 딥러닝에 관한 동료 심사 논문을 체계적 리뷰 방법론을 통해 조사하는 것.
• 이미지 분류, 병변 세분화 및 위치 특정 등의 작업 기반으로 딥러닝 모델을 분류하고 분석하는 것.
• ISIC와 같은 공개 데이터셋을 기반으로 상위 1위 및 상위 3위 정확도, AUC, F1 점수 등의 표준 지표를 사용해 성능을 평가하는 것.
• 이미지 분류 작업에서의 전이 학습을 위해 피부경화 영상에 맞게 미리 훈련된 CNN 아키텍처(예: Inception, ResNet)를 검토하는 것.
• 작은 레이블이 부여된 데이터셋 문제를 완화하기 위해 데이터 증강 및 자기지도 학습 기법의 역할을 평가하는 것.
• 모델 설명에 임상 기준(ABCDE, 7점 체크리스트)을 통합하여 설명 가능성 향상을 제안하는 것.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 인간 피부과 전문의에 비해 피부암 유형 분류에서 어떤 성능을 보였는가?
• RQ2 피부경화 영상 분석에 가장 효과적인 딥러닝 아키텍처와 프레임워크는 무엇인가?
• RQ3 실제 임상 환경에 딥러닝 시스템을 구현할 때 주요 과제는 무엇인가?
• RQ4 준지도 학습 및 자기지도 학습은 피부질환 진단 분야에서 큰 레이블이 부여된 데이터셋에 대한 의존도를 어떻게 줄일 수 있는가?
• RQ5 강화 학습 또는 해석 가능한 AI는 피부질환 분류의 진단 의사결정을 향상시킬 수 있는가?

주요 결과

• 딥러닝 모델은 피부질환 데이터셋에서 상위 1위 정확도 60.0%와 상위 3위 정확도 80.3%를 기록하여 일부 기준에서 인간 전문의를 능가했다.
• 피부경화 영상에 맞게 미세조정된 사전 훈련된 합성곱 신경망(CNN)은 병변 분류 작업에서 성능을 크게 향상시켰다.
• 데이터셋 편향과 데이터 다양성 부족으로 인해 다양한 피부 유형과 병변 형태 간 일반화 능력에 어려움을 겪고 있다.
• 모델의 해석 가능성 부족은 임상 적용을 위한 주요 장벽이며, 임상 기준(ABCDE 또는 7점 체크리스트)과 일치하는 설명이 필요하다.
• 준지도 학습은 큰 레이블이 부여된 데이터셋에 대한 의존도를 줄이는 데 잠재력이 있으나, 피부질환 진단 분야에 적용된 연구는 아직 소수에 그친다.
• 강화 학습은 아직 피부질환 진단에 적용된 바가 없지만, 진단 워크플로우에서 순차적 의사결정을 위한 잠재력을 지닌다.